• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • Los investigadores de la NASA enseñan a las máquinas a ver

    Datos recopilados por el sistema de transporte nube-aerosol de Goddard, o GATOS, instrumento se está utilizando para avanzar en los algoritmos de aprendizaje automático. Crédito:NASA

    La compañía de su tarjeta de crédito se comunica con usted para preguntarle si ha comprado algo en un minorista al que normalmente no patrocina o si ha gastado más de lo habitual. Un humano no identificó la transacción atípica. Una computadora, equipada con algoritmos avanzados, etiquetó la compra potencialmente fraudulenta y desencadenó la consulta.

    Investigadores del Centro de Vuelo Espacial Goddard de la NASA en Greenbelt, Maryland, piensan que los científicos y los ingenieros podrían beneficiarse de la misma tecnología, a menudo denominado aprendizaje automático o redes neuronales.

    Considerado un subconjunto de la inteligencia artificial, El aprendizaje automático y las redes neuronales están realmente a la vanguardia. En lugar de programar una computadora para realizar todas las tareas que necesita, La filosofía detrás del aprendizaje automático es equipar procesadores de computadora terrestres o espaciales con algoritmos que, como los humanos, aprender de los datos, encontrar y reconocer patrones y tendencias, pero mas rapido, con más precisión, y sin prejuicios.

    Aplicaciones de amplio alcance

    "Los beneficios son muchos y las aplicaciones son muy variadas, ", dijo Jacqueline Le Moigne, investigadora principal y subdirectora de tecnología de Goddard, que ha estado trabajando en inteligencia artificial desde sus días de posgrado en Francia hace varios años.

    "Los científicos podrían utilizar el aprendizaje automático para analizar los petabytes de datos que la NASA ya ha recopilado a lo largo de los años, extraer nuevos patrones y nuevas correlaciones y eventualmente conducir a nuevos descubrimientos científicos, ", dijo." También podría ayudarnos a controlar la salud de una nave espacial, evitar y recuperarse de fallas catastróficas, y prevenir colisiones. Incluso podría ayudar a los ingenieros, proporcionando una amplia gama de conocimientos sobre misiones pasadas, información que necesitarían para diseñar nuevas misiones ".

    Con fondos de varios programas de investigación de la NASA, incluida la Oficina de Tecnología de Ciencias de la Tierra, o ESTO, Los ingenieros y científicos de Goddard están investigando algunas de esas aplicaciones de forma individual o en asociación con la academia y la industria privada. Sus proyectos abarcan toda la gama, todo, desde cómo el aprendizaje automático podría ayudar a realizar pronósticos de cultivos en tiempo real o localizar incendios forestales e inundaciones hasta identificar anomalías en los instrumentos e incluso sitios de aterrizaje adecuados para una nave robótica.

    "Las personas escuchan la inteligencia artificial y sus mentes pasan instantáneamente a la ciencia ficción con las máquinas tomando el control, pero en realidad es solo otra herramienta en nuestra caja de herramientas de análisis de datos y definitivamente una que no debemos descuidar debido a nociones preconcebidas, "dijo James MacKinnon, un ingeniero informático de Goddard que participa en varios proyectos relacionados con la inteligencia artificial.

    Encontrar incendios

    Desde que se unió a Goddard hace un par de años, MacKinnon se ha convertido en uno de los campeones más fervientes de la tecnología. Uno de los primeros proyectos que abordó consistió en enseñar algoritmos a identificar incendios forestales utilizando imágenes de teledetección recopiladas por el instrumento espectrorradiómetro de imágenes de resolución moderada de la nave espacial Terra. Su red neuronal detectó incendios con precisión el 99 por ciento de las veces. Desde entonces, ha ampliado la investigación para incluir datos recopilados por el conjunto de radiómetros de imágenes infrarrojas visibles del sistema de satélites polares conjuntos.

    Su sueño es finalmente desplegar una constelación de CubeSats, todos equipados con algoritmos de aprendizaje automático integrados en sensores. Con tal capacidad, los sensores podrían identificar incendios forestales y enviar los datos a la Tierra en tiempo real, proporcionar a los bomberos y otras personas información actualizada que podría mejorar drásticamente los esfuerzos de extinción de incendios. "La clave aquí es procesar los datos a bordo, no solo para incendios forestales sino también para inundaciones. Hay muchas cosas que podría hacer con esta capacidad, " él dijo.

    También está desarrollando técnicas de aprendizaje automático para identificar alteraciones de un solo evento en dispositivos electrónicos espaciales, que puede resultar en anomalías en los datos, y compilar una biblioteca de modelos informáticos de aprendizaje automático, herramientas de generación de conjuntos de datos, y ayudas de visualización para facilitar a otros el uso de técnicas de aprendizaje automático para sus misiones, él dijo.

    "He dedicado una gran parte de mi tiempo a convencer a los científicos de que estos son métodos válidos para analizar las enormes cantidades de datos que generamos, " él dijo.

    El 17 de agosto la nave espacial OSIRIS-REx obtuvo las primeras imágenes de su asteroide objetivo Bennu desde una distancia de 1.4 millones de millas, o casi seis veces la distancia entre la Tierra y la Luna. Bennu es visible dentro de un círculo verde contra las estrellas en la constelación de Serpens. Un equipo financiado por la NASA está investigando técnicas de aprendizaje automático que permitirían a misiones como OSIRIS-REx analizar imágenes de forma autónoma y determinar sitios de aterrizaje seguros. Crédito:NASA / Universidad de Arizona

    Cortando el ruido

    Matt McGill, científico de Goddard, no necesita ser convencido. Experto en técnicas lidar para medir las nubes y las diminutas partículas que forman la neblina, polvo, contaminantes del aire y humo, McGill se está asociando con Slingshot Aerospace. Esta empresa con sede en California está desarrollando plataformas que extraen datos de muchos tipos de sensores y utilizan algoritmos de aprendizaje automático para extraer información.

    Bajo el esfuerzo financiado por ESTO, McGill le está proporcionando a Slingshot los datos que recopiló con el sistema de transporte de aerosol en la nube, o GATOS, instrumento, que se retiró a fines del año pasado después de pasar 33 meses a bordo de la Estación Espacial Internacional. Allí, CATS midió la estructura vertical de nubes y aerosoles, que ocurren naturalmente durante erupciones volcánicas y tormentas de polvo o antropogénicamente a través de la quema de petróleo, carbón, y madera. Un algoritmo de aprendizaje automático desarrollado por Slingshot ingiere esos datos para que pueda aprender y, en última instancia, comenzar a reconocer patrones. tendencias y ocurrencias que son difíciles de capturar con algoritmos de procesamiento estandarizados.

    McGill está particularmente interesado en ver si las técnicas de aprendizaje automático pueden filtrar el ruido que es común en las mediciones LIDAR. Aunque los humanos ya eliminan el ruido de los datos, Las técnicas actuales consumen mucho tiempo y pueden tardar días en realizarse, lo que es contrario al objetivo de distribuir inteligencia en tiempo real. "La idea es que los algoritmos una vez entrenado, puede reconocer señales en horas en lugar de días, "Dijo McGill.

    Igualmente importante, al menos para McGill, es la necesidad de miniaturizar sistemas lidar similares a CATS. Si bien CATS era aproximadamente del tamaño de un refrigerador, los sistemas futuros deben ser mucho más pequeños, capaz de volar en una constelación de SmallSats para recolectar simultáneamente, medidas multipunto. Sin embargo, a medida que los instrumentos se hacen más pequeños, los datos pueden ser potencialmente más ruidosos debido a las aberturas de recolección más pequeñas, McGill explicó. "Tenemos que ser más inteligentes en la forma en que analizamos nuestros datos y necesitamos desarrollar la capacidad para generar verdaderos productos de datos en tiempo real".

    Varada de delfines

    Ser más inteligente en el análisis de datos también está impulsando al heliofísico de Goddard, Antti Pulkkinen, y al ingeniero Ron Zellar.

    Hace un par de años, Pulkkinen comenzó a investigar si las tormentas solares estaban causando ballenas por lo demás saludables, delfines y marsopas —conocidas colectivamente como cetáceos— varadas a lo largo de las zonas costeras de todo el mundo. Si bien él y su equipo no encontraron ninguna correlación, encontraron un vínculo entre los eventos de varamientos en Cape Cod, Massachusetts, y fuerza del viento.

    ¿Es posible que los fuertes vientos, que ocurren durante los meses de invierno cuando es más probable que los delfines vayan a la playa, agitar el fitoplancton del océano y otros nutrientes que alimentan a los peces? ¿Están los delfines simplemente siguiendo su fuente de alimento? "No podemos asumir una relación causal, "dijo Zellar, OMS, cuando no esté trabajando en este proyecto, sirve como ingeniero de sistemas de misión en los Orígenes, Interpretación espectral, Identificación de recursos, Explorador de Regolitos de seguridad, o OSIRIS-REx, misión. "Eso es lo que estamos tratando de encontrar".

    Con fondos del Desafío de Innovación Goddard Fellows, un programa que financia el desarrollo de tecnologías potencialmente revolucionarias, el equipo está aplicando técnicas de aprendizaje automático para profundizar más en los datos ambientales y ver si pueden probar una causa.

    Cortar el cordón umbilical

    En noviembre, La misión OSIRIS-REx está programada para comenzar una serie de maniobras complejas que acercan la nave al asteroide Bennu para que pueda comenzar a caracterizar el cuerpo y tomar imágenes que informarán la mejor ubicación para recolectar una muestra y devolverla a la Tierra para su análisis. . Esto requerirá miles de imágenes de alta resolución tomadas desde diferentes ángulos y luego procesadas manualmente por un equipo de expertos en el terreno.

    Los científicos quieren simplificar y acelerar el tiempo de procesamiento. Bajo un esfuerzo de investigación financiado por la NASA que involucra a científicos de Goddard, Dante Lauretta, un profesor de la Universidad de Arizona e investigador principal de OSIRIS-REx, y Chris Adami, un experto en aprendizaje automático en la Universidad Estatal de Michigan, un equipo está investigando el potencial de los algoritmos en red. El objetivo es enseñar a los sensores a bordo a procesar imágenes y determinar la forma y las características de un asteroide, información necesaria para navegar de forma autónoma dentro y alrededor de un asteroide y tomar decisiones sobre dónde adquirir muestras de forma segura.

    "El punto es cortar el cordón umbilical computacional de regreso a la Tierra, "dijo Bill Cutlip, Gerente senior de desarrollo comercial y miembro del equipo de Goddard. "Lo que estamos tratando de hacer es entrenar un algoritmo para comprender lo que está viendo, imitando cómo el cerebro humano procesa la información ".

    Tal capacidad no solo beneficiaría a futuras misiones a asteroides, sino también los de Marte y las lunas heladas de Júpiter y Saturno, él dijo. Con avances en arreglos de puertas programables en campo o circuitos que se pueden programar para realizar una tarea específica y unidades de procesamiento de gráficos, el potencial es asombroso, añadió.


    © Ciencia https://es.scienceaq.com